一种基于并行卷积神经网络的害虫图像识别方法技术

本发明专利技术涉及一种基于并行卷积神经网络的害虫图像识别方法，与现有技术相比解决了害虫图像样本数量少导致害虫识别率低、鲁棒性差的缺陷。本发明专利技术包括以下步骤：对训练图像进行收集和预处理；构造并训练并行卷积神经网络模型；对待测图像进行收集和预处理；将测试样本输入经过训练后的并行卷积神经网络模型，进行害虫图像的自动识别。本发明专利技术通过构造的并行卷积神经网络在样本数量不充裕的情况下使得网络训练更充分，并使得分类能力更强的特征发挥的作用更大。

A method of pest image recognition based on parallel convolution neural network

The invention relates to a pest image recognition method based on a parallel convolution neural network, which solves the defects of low number of insect image samples, low rate of insect recognition and poor robustness compared with the prior art. The invention comprises the following steps: collecting and preprocessing of image structure and training; training and parallel convolutional neural network model; the image collection and preprocessing treatment; the test sample input through parallel convolutional neural network model after training, automatic identification of insect pest image. By using the parallel convolution neural network constructed by the invention, the network training is more sufficient under the condition that the number of samples is not enough, and the features with stronger classification capability can play a greater role.

【技术实现步骤摘要】
一种基于并行卷积神经网络的害虫图像识别方法
本专利技术涉及图像处理
，具体来说是一种基于并行卷积神经网络的害虫图像识别方法。
技术介绍
害虫是农作物生长中的大敌，在农作物整个生长期内都有发生，可造成农作物大量减产。由于害虫种类繁多，每一位植保专家只能识别部分害虫。当今在模式识别领域，基于无监督的深度学习理论成为众多学者研究的热点，在人脸识别、物体识别领域被广泛应用，并取得了较好的效果。然而，无监督的深度学习理论应用在害虫图像自动识别方法及系统则出现识别率低、鲁棒性差的缺陷，这也是由于害虫样本的多样性、特征复杂度所导致的。因此，针对害虫样本数少的情况下如何提高害虫识别的鲁棒性、识别率已经成为急需解决的技术问题。
技术实现思路
本专利技术的目的是为了解决现有技术中害虫图像样本数量少导致害虫识别率低、鲁棒性差的缺陷，提供一种基于并行卷积神经网络的害虫图像识别方法来解决上述问题。为了实现上述目的，本专利技术的技术方案如下：一种基于并行卷积神经网络的害虫图像识别方法，包括以下步骤：对训练图像进行收集和预处理，对所有训练图像均进行大小归一化处理，将其处理为256×256像素，得到若干个训练样本本文档来自技高网...

【技术保护点】
一种基于并行卷积神经网络的害虫图像识别方法，其特征在于，包括以下步骤：11)对训练图像进行收集和预处理，对所有训练图像均进行大小归一化处理，将其处理为256×256像素，得到若干个训练样本；12)构造并训练并行卷积神经网络模型，构造并行卷积神经网络模型，将训练样本作为输入，对并行卷积神经网络模型进行训练；13)对待测图像进行收集和预处理，利用采集设备拍摄待测的害虫图像，对待测的害虫图像按256×256像素进行归一化处理，得到测试样本；14)将测试样本输入经过训练后的并行卷积神经网络模型，进行害虫图像的自动识别。

【技术特征摘要】
1.一种基于并行卷积神经网络的害虫图像识别方法，其特征在于，包括以下步骤：11)对训练图像进行收集和预处理，对所有训练图像均进行大小归一化处理，将其处理为256×256像素，得到若干个训练样本；12)构造并训练并行卷积神经网络模型，构造并行卷积神经网络模型，将训练样本作为输入，对并行卷积神经网络模型进行训练；13)对待测图像进行收集和预处理，利用采集设备拍摄待测的害虫图像，对待测的害虫图像按256×256像素进行归一化处理，得到测试样本；14)将测试样本输入经过训练后的并行卷积神经网络模型，进行害虫图像的自动识别。2.根据权利要求1所述的一种基于并行卷积神经网络的害虫图像识别方法，其特征在于，所述的构造并训练并行卷积神经网络模型以下步骤：21)初始化卷积神经网络的初始滤波器，利用主成分分析初始化卷积神经网络的初始滤波器；22)构造并行卷积神经网络模型，设置网络模块数为11层，利用Caffe框架进行网络模型的训练，输入为归一化后的训练样本；23)根据不同特征对应的误差率计算不同特征的权重；24)对三个特征向量进行加权融合，其计算公式如下：其中，T为融合后的特征向量，C为特征个数，wi为第i个特征的权重，ti为第i个特征向量；25)利用融合后的特征向量T来训练SVM分类器，利用训练后的SVM分类器对融合后的特征进行分类。3.根据权利要求2所述的一种基于并行卷积神经网络的害虫图像识别方法，其特征在于，所述的初始化卷积神经网络的初始滤波器包括以下步骤：31)将训练样本转化为训练向量集X＝[X1,…,Xi,…,X...

【专利技术属性】
技术研发人员：陈红波，谢成军，张洁，李瑞，余健，陈天娇，王儒敬，宋良图，
申请(专利权)人：中国科学院合肥物质科学研究院，
类型：发明
国别省市：安徽,34